使用MATLAB遗传算法工具实例详细（实用应用文）
使用MATLAB遗传算法工具实例详细
文档信息
这份文档是关于“IT计算机”领域“matlab”的参考范例，旨在辅助人们掌握如何撰写有效的应用文书，如何规范地安排文案结构，以及如何选取相关内容素材等任务。全文共计47694字，以doc格式保存开元ky888棋牌官方版，具备可编辑功能。资料质量上乘且价格合理，诚邀各位下载使用。
目录
目录链接到页码256000000, HYPERLINK功能被调用, 实现了目录的跳转, 方便用户快速定位, 这是文档编辑中的常用技巧, 使用起来非常便捷, 效率也高, 适合需要大量目录的文档使用, 它可以自动生成页码, 避免手动输入的错误, 提升了文档的专业性, 还增强了可读性, 让读者更容易理解文档结构, 整体上提升了文档的质量和实用性, 是现代办公中不可或缺的工具之一, 值得广泛推广和应用, 它的操作简单易懂, 即使是初学者也能快速上手, 不会增加太多工作负担, 反而能节省大量时间, 提高工作效率, 是文档编辑的利器, 值得大家尝试和使用, 它的功能强大, 可以满足各种目录编辑的需求, 是文档编辑的得力助手, 帮助用户更好地管理文档内容, 提升文档的整体质量, 让文档更加专业和规范, 实现了目录的自动化管理, 是文档编辑的进步和革新, 为用户带来了便利和高效, 是现代文档编辑的必备工具, 值得大家信赖和使用, 它的存在让目录编辑变得简单而高效, 是文档编辑的福音, 为用户节省了大量时间和精力, 提高了文档编辑的效率和质量, 是现代办公的必备技能之一, 值得大家学习和掌握, 它的存在让文档编辑更加智能化和便捷化, 是文档编辑的未来趋势, 值得大家关注和期待, 它将引领文档编辑进入一个全新的时代, 为用户带来更多便利和高效, 是文档编辑的革新和进步, 值得大家推广和应用, 它将改变文档编辑的方式和理念, 为用户带来更多惊喜和体验, 是文档编辑的里程碑, 值得大家铭记和传承。
内容开始 4,定位到编号为_Toc256000001的部分 4
该功能能够自动创建M代码，5，通过HYPERLINK\l"_Toc256000002"链接实现，并且支持自动化的操作。
统计工具箱运用各种统计算法，并采用概率模式进行分析，9
神经网络工具箱，能够用来设计，以及仿真神经网络，编号为二，属于第九项内容。
第三项 模糊逻辑应用包——用于构建和测试模糊系统模型。9
第四部分 金融工具箱，用于解析金融信息，并设计金融方案。
链接指向266fxxx，编号为13
在终端输入gatool，即可启动遗传算法软件。
算法停止时评估函数的末尾数据：21
该算法结束的缘由在于，22
第三项最终目标，在本例当中为22
首先定位到Y表项，然后进行点击操作。
第一个适应度函数 25
第二点,对于个人而言,数量为二十五
编号三, 涉及到群体, 以及周期, 具体内容见, 第二十五页
首先，该算法会生成一个随机群体，接着，它以此为基础展开工作。
生成新代产品,通过HYPERLINK\l"_Toc256000017"实现
变量个数，指的是适应度函数，所包含的独立参数数量，共计三十五个。
在特定文档中,首先需要关注的是标记为"GA终止"的内容,接着要查看其编号为36的部分,其中包含有重要信息,这个编号与文档内的详细目录条目"Toc256000019"相对应,而该条目又是一个链接,指向了具体的相关内容
倒数第二代的顶级成员的评估指标数值。
算法终止的缘由。
第四点的位置数据。36
第一阶段，即算法执行到指定的周期数，属于代数范畴，页码为38。
运行到既定时刻，算法即告终止。
第三点说明，当前群体中表现最优的个体，其综合评分不超出既定标准，一旦低于这个基准，就表明达到了适应度上限条件。
第四点指的是停滞代数，即适应度函数值在运行规定的代数之后不再改进。
适应度函数值在运行规定时间后未有任何改善，这种情况被称为停滞时限。
将“代数”的值设定为无穷大,在38页的位置,这是一个链接标签
设置“时间”为无穷大, 38
将“Fitnesslimit”参数值设为负无穷大,具体操作为点击(3)选项,在参数设置界面进行调整,数值输入框中填入–Inf,确认保存设置。
第四项操作，将“Stallgeneratio”这个参数，调整到无穷大的数值。
设置“Stalltimelimit”参数值设为无穷大, 38
绘制图形的子程序 40,需要先定义
绘制图形时 运用相关功能 第42页有说明
绘制函数具体效果怎样,请参看第42页内容,其中详细说明,链接为_Toc256000035
在名为“初始点”的文本框中键入数字四十六，该条目对应索引_Toc256000036的条目
输出参数与问题,是本节讨论的核心内容,具体编号为,47
运用函数ga,针对输出问题进行举例说明,49
参数三，涉及输入内容，共计五十项
第四点涉及事项，具体内容为，数据录入环节存在，相关问题编号为，51。
启动时从该处续行操作 54
HYPERLINK\l"_Toc256000042"(1)该算法终止的缘由，56
第三点“种群”指的是最终种群,56
第四项“得分值”代表最终得分数值，56。
HYPERLINK\l"_Toc256000045"(1)衡量个体优劣的指标，称为适应度函数，用以评估其表现，60
该数值代表所涉及事项的数量，具体为六十。
第三项，optio参数的构造形式，包含六十个元素。
以实例说明如何确定起始区间，共计六十五页，具体内容请参阅目录编号256000048的章节
设置种群规模，67，属于第2项内容
个体的尺寸大小和n直接相关,成比例关系。
第二项指出，全部个体的大小数值的合计，就是需要制造下一代配子的数量。
第二种方式，挑选当代某一个体，进行随机变异，产生一个变异的后代，作为子代。
HYPERLINK\l"_Toc256000053" 第一个类别是没有发生变化的组合，数量为76个
链接到章节二，关于独立发生的更迭，共七十七页
对比遗传算法在交叉概率各异时的执行成效,分析其表现差异,具体数据见目录_Toc256000055,页码为77
使用MATLAB程序，将该文档另存为，文件名采用，编号为，并确保保存成功，文件路径完整，格式正确，名称规范，内容无误，操作完成开元棋官方正版下载，结果确认，文档归档，完毕。
在遗传算法工具里，需要这样设定，首先，参数A要调到0.5，其次，参数B的值设定为1.2，最后，运行模式选择动态调整模式。
启动界面中，找到并按下那个标示为开始，位于上方位置的按钮，接着会打开一个文档，里面包含了编号为256000058的章节内容，请点击那个目录条目，然后会出现一个窗口，需要在这个窗口里，选择并点击那个显示为开始，位于左下角的按钮，此时会弹出一个对话框，里面列出了多个选项，请在这个对话框中，选中那个名称为开始，位于最前面的条目，随后会进入一个设置页面，在这个页面上，需要点击那个标记为开始，位于中间位置的按钮，这样就可以继续进行下一步操作了
设置变量数量为两个。调整参数数值。
将群体规模调整为十,82
持续三百代，点击停止按钮，如图展示的是执行完成后的情形，编号为83
图形的要素。是八十八
物种相关要素，具体数值为八十八
适应度计算相关设置，88
确定目标值，挑选合适数值，进行参数配置，共计八十八项内容
再生目标设定值,88
第六项是关于变异的设定，涉及到特定的数值，这些数值需要被精确记录下来，以便后续的统计分析，共计有88个这样的数值需要关注。
第七项，涉及联合变量，共计八十八点
调整设定值，重新配置数值，进行参数更换，共计八项，编号为88。
混合函数的参数设置，88
终止条件变量。若干个指标。具体数值。用于判定。流程何时。终止执行。
调用输出函数时，其参数值被传送过去，88
在指令视图中呈现参数值,88
向量参数，编号为十三，对应索引256000074，其值为八十八。
在图形模式下，能够选用以下任意一种图形函数，包括89。
绘制函数的构造 90, 包含多个组成部分, 每个部分都有特定作用, 这些部分共同完成整体功能, 在文档中标记为_Toc256000076
编号为三的部分，涉及状态构造，页码为九十一。
HYPERLINK \l "_Toc256000078" 第一个条件，不存在组合功能。数量为一百一十二。
具体内容： 117。
具体内容：请参见相关资料，页码为120页。
具体内容：请参见，相关阐释，位于，指定位置，编号为，121。
参数说明值是122，它对应着特定的条目编号
这个链接指向下一代存储系统，编号为256000083，具体内容是123
正文
使用MATLAB遗传算法工具实例详细
最新发布的MATLAB版本14内置了一套定制化的遗传算法与直接搜索功能模块，该模块名为遗传算法与直接搜索工具箱，英文缩写为GADS。借助遗传算法与直接搜索工具箱，能够增强MATLAB及其优化工具箱在解决优化问题上的功能，能够应对传统优化方法难以处理的情形，诸如那些棘手的
处理那些难以进行数学描述的情况，能够应对目标函数较为繁难的情形，例如目标函数存在间断点，或者呈现出非常显著的非线性特征
线性、随机性以及目标函数没有导数的情况。
本部分首先阐述这种遗传算法，以及直接搜索工具箱，接下来各节将逐一说明该工具箱所包含的遗传算法组件和
其使用方法。
遗传算法与直接搜索工具箱概述
本节说明MATLAB的GADS即遗传算法与直接搜索工具包的功能特性，展示其图形化操作界面，并阐述使用条件。
解释如何编写待优化函数的M文件，且通过举例加以阐明。
工具箱的特点
GADS工具箱包含众多函数，这些函数增强了优化工具箱与MATLAB数值计算环境的效能。它们能够提升整体表现，为使用者提供更强大的计算支持。
这个工具集提供了若干例程，能够借助遗传方法与直接搜索技术解决优化类任务，其算法
我们得以处理那些不在常规优化方法集合里的各类优化情形。所有工具箱里的函数都是MATLAB的M文件，这些文件是用MATLAB指令编写而成，用以完成特定的优化计算。
使用语句
type function_name
能够获取这些函数的MATLAB程序文本。此外，我们能够借助创建个人M文件的方式，对遗传算法以及直接进行拓展。
该搜索工具箱的运作表现，亦能将此工具箱搭配MATLAB的其余工具包或Simulink，用以处理优化问题
问题。
该工具箱中的函数既能在图形操作界面中使用，也能通过MATLAB的命令行调用，这些函数均采用MATLAB语言进行开发，十分便于使用者
开放，因此可以查看算法、修改源代码或生成用户函数。
遗传算法和直接搜索工具箱能协助我们处理那些难以通过常规手段解决的事务，例如进行表格检索
等。
遗传算法与直接搜索工具箱配备了一个构思巧妙的图形化操作平台，能够协助我们清晰、便捷、高效地获取
解最优化问题。
功能特点
遗传算法与直接搜索工具箱的功能特点如下：
图形交互界面和指令式功能能够便捷地阐述事项,调整运算参数,并且观察操作情形。
这种能提供多种选择方案的遗传算法工具，可以用来完成问题构建、评估适应度、执行挑选、进行杂交以及实施变异等任务。
直接搜索工具运用了一种模式搜索技术，其功能能够设定网格大小，还可以选择表决方式
搜索方法。
遗传算法和直接搜索工具箱函数能够和MATLAB的优化工具箱或者其他MATLAB程序协同使用
序结合使用。
(5)支持自动的M代码生成。
图形用户界面和命令行函数
遗传算法相关功能模块既能在命令行环境下调用，也能够借助图形化操作平台加以运用。若需查找该功能模块，同样支持直接搜索。
通过命令行或图形界面进行操作。图形界面有助于便捷地描述任务,调整算法参数,处理优化课题
进行详细定义。
遗传算法与直接搜索工具箱也包含用于优化控制、效果追踪及结束条件设定的相关功能，此外还
提供大量标准算法选项。
调整操作参数有助于提升运行效率，能够使最佳方案更加精确，并刷新最终表现数据。使用者亦能提交个人设计的算法模型，
法选项来定制工具箱。
使用其他函数和求解器
遗传算法工具和直接搜索方法与MATLAB环境及优化模块高度集成。用户能够运用遗传算法，
或者运用搜寻方法来探求最合适的出发点，接着借助优化方法集或通过MATLAB软件来继续探寻最佳结果。
通过运用多种算法，能够充分发挥MATLAB及其工具箱的作用，从而提升解题的精确度。针对某些专门问题
题，使用这种方法还可以得到全局（最优）解。
显示、监控和输出结果
遗传算法与直接搜索工具箱还配备多种图形化功能用以呈现优化成效，这些图形化功能能够清晰展示
示了优化的过程，并且允许在执行过程中进行修改。
工具箱还附带有若干图形化函数，能够呈现优化成效。这些图形化功能，可以清晰展现优化进程，并且
可以随时调整方案。这个工具包也包含若干专用制图方法，这些方法不仅可用于遗传算法，同样适用
可用于直接搜索算法，遗传算法的函数包含函数值、适应度值和函数估计，直接搜索算法适用这些函数
这个程序涵盖了函数的多个方面，比如具体数值、分布统计图、家族树、评估指标、空间范围以及数值预测等，它们能够将多种图形整合在一起进行展示
能够清晰明了地挑选出最佳曲线，此外，使用者还有机会定义个人的作图方法。
运用输出功能能够把成效记入文档，设定使用者个人的终止条件，还能把使用者个人的图形界面记录下来
启动求解器程序，同时，能够把任务的方法设置保存下来，以后还可以把保存的这些设置调回操作界面
去。
所需的产品支持
遗传算法和直接搜索模块能够作为其他优化手段的辅助，可以用于确定最优的初始位置，随后能够借助
使用传统的优化技术来进一步寻找最优解。
工具箱的运行需要以下产品配合：(1) MATLAB软件。(2) 优化相关的专用模块。
相关产品
与遗传算法与直接搜索工具箱相关的产品有：
(1)统计工具箱——应用统计算法和概率模式。
(2)神经网络工具箱——设计和仿真神经网络。
(3)模糊逻辑工具箱——设计和仿真基于模糊逻辑的系统。
(4)金融工具箱——分析金融数据和开发金融算法。
所需的系统及平台
遗传算法与直接搜索工具箱，在运行环境、支持平台及系统要求方面，可随时通过网站查询
了解最新发布的信息。
这里介绍的
MATLAB Release 14
所需的最低配置是：
Windows 系列操作系统，
Pentium III 500
处理器型号为CPU，内存容量为64兆字节，磁盘剩余空间需六百兆字节以上。
编写待优化函数的M 文件
要运用遗传算法和直接搜索工具箱，需要先创建一个M文件，用以指定需要提升性能的函数。接着，这个文件将作为基础，确保后续操作能够正确执行。
M文件需接收一个行向量，并输出一个标量值。该行向量的长度，即为函数中独立变量的数目。
将通过实例解释如何编写这种M 文件。
编写M 文件举例
这个案例说明了怎样为需要改进的函数创建M文件，假设我们希望求得下面这个函数的最小值，
这个函数需要有一个输入，是一个有两行组成的向量X，其中第一行对应变量x1，第二行对应变量x2，并且函数的输出是一个数值，这个数值就是函数计算的结果，这样才可以编写这个
M 文件，执行如下步骤：
在MATLAB的文件菜单里找到新建选项，接着挑选M文件类型，这样编辑器就会呈现一个全新的M文件供你使用。
(3)
在该M 文件中，输入下面两行代码：function
z = my_fun(x)
z 等于 x1 的平方减去 x1 乘以 x2, 再加上六倍的 x1, 再减去 x2 的平方, 再加上六倍的 x2, 乘号后面是六
在MATLAB 路径指定的目录中保存该M 文件。
为了查看该M 文件是否返回正确的值，可键入
my_fun() a =
-5
运用遗传算法工具或模式搜索工具进行操作时，切记不可借助编辑器或调试器去检查目标函数的M文件
如果忽略这个步骤，那么在指令界面会显现出Java方面的错误提示，同时也会让问题排查变得更为棘手。
最大化与最小化
遗传算法和直接搜索工具箱里的优化函数通常让目标函数或适应度函数取到最小值，换言之，它们致力于解决这类问题：
如果我们想要求出函数f(x)的最大值，可以转而求取函数
g(x)=－f(x)的最小值，因为函数
g(x)最小值
出现的地方与函数
f(x)最大值出现的地方相同。
例如，假定想要求前面所描述的函数2
2121
121
2(
266f x x x
x x x x
x 的最大值，这时，我们应
当编写一个M 文件来计算，求函数的最小值。
自动代码生成
遗传算法与直接搜索工具箱包含自动代码生成的功能，能够自动创建用于解决优化问题的M文件
该物品。比如，图中展示的即为借助遗传算法软件实现的代码自动创建功能所生成的M文件。
此外，图形界面呈现的改进方案能够说明来自指令行执行指令的含义，这些指令亦用于
于使例程和保护工作自动化。
图遗传算法M文件代码的自动生成
使用遗传算法工具初步
遗传算法与直接搜索工具箱涵盖了遗传算法工具和直接搜索工具，从本节开始直到本章结束，将重点讲解其中的遗传算法工具以及如何使用这些工具。
本节着重讲解遗传算法的基本应用知识，涵盖遗传算法的操作规范，遗传算法工具的操作方法，通过实例演示如何运用遗传算法解决优化问题，阐明遗传算法的相关专业词汇，最后说明遗传算法的运作机制与实施步骤。
遗传算法使用规则
遗传算法借鉴自然选择和生物进化原理解决问题。它不断调整个体解的集合。每轮迭代中，算法随机挑选部分个体作为父代。利用这些父代繁衍出新一代的子代群体。经过多代演化，整个群体逐步接近最优解。遗传算法能够解决那些标准优化方法难以处理的优化问题，比如目标函数存在间断点、不具备可导性、呈现随机性或具有高度非线性特征的情况。
遗传算法在每一步使用下列三类规则从当前种群来创建下一代：
挑选标准，挑选对后继种群有贡献的个体，这些个体被称为父代。
结合两条父辈，交叉规则用来产生子代种群，形成新一代。
变异法则，通过给父代施加随机改动，从而产生子代。
遗传算法同常规优化方法，存在两个核心差异，具体对比可参见表格内容。
表遗传算法与标准优化算法比较
标准算法遗传算法
每次迭代产生一个单点，点的序列逼近一个优化解
每次迭代产生一个种群，种群逼近一个优化解
通过确定性的计算在该序列中选择下一个点
通过随机进化选择计算来选择下一代种群
遗传算法使用方式
遗传算法工具有两种使用方式：
(1)以命令行方式调用遗传算法函数ga。
(2)使用遗传算法工具，从图形用户界面到遗传算法。
本节对这些方式做一个简要的介绍。
在命令行调用函数ga
调用遗传算法函数ga, 在命令行环境下, 可以采用以下格式, 执行该算法
= ga(@fitnessfun， nva， optio)
那个@fitnessfun是评估个体优劣的算法接口；nva代表该算法评估时需要考虑的自变量数量；optio是一个储存遗传算法运行配置的变量集合。如果没有提供配置参数，该算法会采用它自带的预设配置值。
函数计算得出的结果：fval，代表适应度函数的最终数值；x，表示最终数值所对应的点。
能够很便捷地将遗传算法模块生成的数据传送至MATLAB的工作区间，或者
以不同的选项从
M 文件多次调用函数
ga 来运行遗传算法。
使用ga函数时，必须设定一个参数名为option的结构体，后续部分将详细说明如何在命令行环境下调用该函数
ga 和创建选
项结构optio 包含详尽说明，借助图形界面，运用遗传算法
遗传算法工具配备了一个可视化操作平台，该平台让我们无需在文本指令模式下运行，即可运用遗传算法。
了打开遗传算法工具，可键入
gatool
打开的遗传算法工具图形用户界面如图所示。
图遗传算法工具
为了使用遗传算法工具，首先必须输入下列信息：
(1)
Fitness function （适应度函数）
需要找到最小值的目标函数，输入适应度函数的格式为@fitnessfun，该格式对应计算适应度函数的M文件，在之前“编写待优化函数的”部分
M 文件”一节里已
经解释了如何编写这种
M 文件。符号@产生一个对于函数
fitnessfun 的函数句柄。
(2)
变量数目，即适应度函数输入序列的规模，它代表。
“编写待优化
函数的M 文件”一节所描述的函数
My_fun ，这个参数是2。
输入适应度函数输入适应度函数
的变量数目
开始遗传算法
显示结果
显示参数描述
按下启动键，启动遗传运算，会在状态与成果区域呈现相应的运算情形
果。
Optio界面可用于调整遗传算法的设置。要浏览里面提供的各种设定，需要点击对应的连接部位
的符号“+”
举例：Rastrigin函数
本节通过一个案例，说明如何确定Rastrigin函数的最小值，并且展示计算结果的图像。Rastrigin函数是评估遗传算法性能时经常采用的一种标准函数。其图形表现特征为存在众多局部最小点，整体呈现出明显的高峰区域。
最小值位置，遗传方法能够协助我们找出这种存在诸多局部最小值函数的最佳解法
Rastrigin函数
具有两个独立变量的Rastrigin函数定义为
Rastrigin函数的图形如图所示。
工具箱里有一个M文件，这个文件专门用来计算Rastrigin函数的值。
全局最小点
图Rastrigin函数图形
如图所见，Rastrigin函数存在众多局部最小值，这些最小值在图中以“低谷”形态呈现。但该函数仅有一个全局最小值，此最小值位于x-y平面上的特定位置，图中垂直线标明了该位置，且在此处函数取值最小
在任何不相同的局部最小值位置上，Rastrigin函数取值都为正数。局部最小点离原点越远，该点处Rastrigin函数的数值就越大。
Rastrigin函数经常被选作遗传算法的测试对象，这主要源于它包含大量局部极小值开yun体育app入口登录，这些局部极小值的存在，让基于梯度的优化方法难以找到全局最优解，因此它成为评估遗传算法性能的有效工具
度的查找全局最小的方法十分困难。
如图展示的是Rastrigin函数的等高线图，该图描绘了最大值与最小值相互交替出现的特征。
局部最小点
局部最小点
全局最小点
图Rastrigin函数的轮廓线
寻找Rastrigin函数的最小值
本节阐述运用遗传算法探寻Rastrigin函数极小值的方法。
遗传算法依赖随机信息执行探索过程，因此每次执行后得出的结论都会略有不同
有些不同。
为了查找最小值，进行下列步骤：
(1)在命令行键入gatool，打开遗传算法工具。
在遗传算法工具的对应部分，键入评估指标公式和因子数目。在“评估指标公式（适应度函数）”这一栏位，填写计算方法，并确定参数数量。
在名为“度函数”的文本框里，键入@rastrigifcn，接着，在标有“变量个数”的文本框中，填写相应数量
Rastrigin函数的自变量数量为两个，这一步操作的具体方式如图所示。
图输入适应度函数与变量个数
在名为“运行求解器”的区域里，找到开始按键，按下它，参照附图。
图单击运行求解器Start按钮
算法执行期间，“当前代数”框会实时更新显示现行代数数值。若需中断运算，可按下“暂停”按钮。操作后该按钮标识会切换为“恢复”。要继续运算，只需再次点击“恢复”按钮即可。
算法运行结束后，“状态与结果”面板呈现出如下画面。
